narx的matlab代码基于人工神经网络的地下水位预测：LSTM CNN和NARX的比较 此仓库的doi： 相关出版物的doi： 该存储库使您可以重现结果并应用以下方面的地下水位预测方法： Wunsch，A.，Liesch，T.，Broda，S.，人工神经网络进行地下水位预测：长短期记忆（LSTM），卷积神经网络（CNN）和具有外生非线性自回归网络的比较输入（NARX） 接触： 作者的ORCID： A. Wunsch： 列斯（T. Liesch）： 布罗达（S. Broda）： 有关详细说明，请参阅出版物。 请调整脚本中的所有绝对加载/保存和软件路径，以使其运行，您需要Matlab和Python软件才能成功运行应用程序。 我们进一步使用的Python包。 要运行Python代码，请下载并安装此软件包。 内容概述： / CNN-Python代码包含模型的Python脚本和必要的示例文件。 / LSTM-Python代码包含模型的Python脚本和必要的示例文件。 / NARX-Matlab代码包含模型的Matlab脚本和必要的示例文件。

太阳能预报 该项目是我最后一个学期的硕士学位课程工作的一部分。 此处的主要范围和目标是预测来自亚洲地理位置的年度太阳能发电量（取决于数据），然后减少产生的总软成本。 下文提供的文档和项目报告中详细介绍了这项工作。

时间序列预测代码matlab 时间序列预测使用深度学习生成数据 该项目研究了在使用不同的人工神经网络（即LSTM和GRU）建模的随机时间模型上可以进行多近的时间序列预测和预测。 给定的数据集包括辐照数据集和发电数据集，该辐照数据集和发电数据集基本上分别包含传感器检测到的辐照度值和电厂所产生的发电量值，单位为（kwh）。 数据集包含对应于从2018年12月到2019年11月的所有12个月的数据，并且在任何给定日期的每15分钟记录一次数据。 该项目的主要目标是找出最合适的ANN架构，以预测从任意一天开始的未来两天（间隔15、30、45、60分钟）的发电数据。 整个项目是通过在matlab中进行编码来完成的。

经济预测 我在Git上的家，用于美国经济的预测模型 项目细目 作为一名应用经济学家，我长期从事的项目之一是预测以国内生产总值衡量的美国经济的短期走势。为此，我使用了两个向量自动回归或var模型的集合。这是一项基于线性的技术，涉及获取多个相关因素，一旦模型中的每个变量都预测了一个周期，就将它们用作彼此的预测，然后将这些预测视为最近的数据周期。重复此过程以生成对未来第二个时期的预测，依此类推，直到我们对预期的未来进行了预测。传统上，我是使用统计分析程序Stata来完成此操作的，但是现在，由于转向数据科学领域，现在已经过渡到将Python用作主要的分析环境，我想在Python中重新创建此过程。这有几个优点；首先，如果我想利用这种预测技术，就不必将程序从Python切换到Stata了–我可以继续使Python成为处理数据的一站式服务。其次，Python比Stata灵活得多，因为它本身就是一种编程语

用时间序列建模与预测，文件夹包括文档和程序，数据，用于预测房价。

AR自回归模型matlab代码宏观经济和金融预测工具箱 MATLAB 中金融和宏观经济预测的代码库（Python 和 R 版本正在进行中） 联系维克多塞勒米 () 了解更多信息。 请使用署名。 支持的型号 AR：自回归模型 ARDI：因子增强自回归模型 PLS：偏最小二乘法 ENET：弹性网 LASSO：最小绝对收缩和选择 KRR：核岭回归 SVR：支持向量回归 RF：随机森林集成 NN：前馈神经网络 TVPSV：时变参数随机波动率 MS：马尔可夫切换 CSR：完全子集回归 参考 PG Coulombe、M.Leroux、D.Stevanovic 和 S.Surprenant。 机器学习如何用于宏观经济预测？，2020 年。 G. Elliott、A.Gargano 和 A.Timmermann。 完全子集回归。 计量经济学杂志，2013 年。 公关汉森。 测试卓越的预测能力。 商业与经济统计杂志，2005 年。 PR Hansen、A. Lunde 和 JM Nason。 模型置信度集，计量经济学，2011 年。 T. Hastie、R. Tibshirani 和 J. Friedm

Time series analysis: forecasting and control 4th edition

基于双阶段注意力的时间序列预测神经网络，基于Chandler Zuo的。 我已经将代码扩展为适用于多元时间序列，并添加了一些预处理功能，但是鉴于我基本上是从他的帖子中复制代码，因此版权可能归他所有。 最近使用PyTorch JIT的分支称为jit 。 有一个不同的，但是据我所知，它只是单变量。

沃尔玛产品部门销售的时间序列分析和预测 项目介绍 在该项目中，我们小组根据来自的Walmart五年单位销售数据，使用四种模型对一种Walmart产品（FOODS_3_352）进行了28天单位销售预测。 首先，我们进行了基本的数据清理和可视化，并探索了销售模式。 然后，我们应用了回归模型，ETS（误差，趋势，季节性）模型，季节性ARIMA（自回归，积分，移动平均值）模型和动态回归模型来进一步分解数据并进行预测。 最后，我们基于参数RMSE评估了预测的模型性能。 所有项目文件都包含在此仓库中 使用的工具/语言： Python(pandas, numpy) ， R(forecast, ggplot, dbplyr, urca, lubricate) ， Excel 请参阅我们的最终 文件描述 1. data calendar_factors.csv包含具有清洗和准备好的日历虚拟变量的目标销

随着零售商添加具有独特需求，新产品，日新月异的口味以及无法预测的产品行销的新地点，问题变得更加复杂。位于厄瓜多尔的大型杂货零售商CorporaciónFavorita非常了解这一点。他们经营着数百家超市，货架上有超过20万种不同的产品。 CorporaciónFavorita向Kaggle社区提出了挑战，要求其建立更准确地预测产品销售的模型。他们目前依靠主观预测方法来备份数据，而很少有自动化来执行计划。他们很高兴看到机器学习如何通过在正确的时间提供足够的正确的产品来更好地确保他们取悦客户。 Corporación Favorita Grocery Sales Forecasting_datasets.txt